Sep, 2023

基于生成预训练的人工智能放射学图像解读中的患者特定干扰因素重建

PDF
TL;DR在医疗图像分类中，基于扩散模型的预训练方法（如 DiffChest）能够准确识别混杂因素、提供洞察力，并在诊断多种胸部疾病方面取得了相当不错的准确性。
misleading patternsautomated diagnostic assistance systemsdiffchestconfounding factorspretraining based on diffusion models
发现论文，激发创造
  • 通过对比学习提升自动胸部 X 射线诊断的公平性

    应用监督对比学习可以减轻胸部 X 射线诊断中的偏见，解决深度学习诊断方法中的公平性和可靠性问题。

    Jan, 2024

  • 混淆变量会降低放射学深度学习模型的泛化性能

    通过交叉校验三个不同医院的 158,323 幅胸部 X 光片，证明在不同医院系统中使用卷积神经网络进行肺炎筛查的性能较低，并且在实际临床应用中，基于模型训练的测试数据得出的性能估计可能高估了实际性能。

    Jul, 2018

  • 基于对抗训练的鲁棒可解释性胸部 X 射线 COVID-19 诊断

    通过 21 个卷积神经网络模型在多样化的 33,000 + 胸部 X 射线图像上进行训练和评估，我们的研究旨在解决人工智能在 COVID-19 检测中的可解释性和鲁棒性问题，通过对抗训练提高了模型的鲁棒性，并生成了与专业放射科医生发现相一致的突出热力图。

    Nov, 2023

  • 通过从 X 射线专家模型中提炼知识来引导胸部 CT 图像理解

    利用自然语言作为有限可用的数据集辅助胸部 CT 图像理解并通过对比学习技术提高模型的性能。

    Apr, 2024

  • 自我监督预训练方法比较：基于胸部射线图像的疾病风险预测

    本文针对医疗影像任务，通过对自我监督和半监督学习等多种方式进行比较，研究发现半监督自编码器在预测胸部 X 光成像下的死亡风险方面具有更好的性能。

    Jun, 2023

  • 基于人工智能的医学影像关联分析，利用潜在空间几何混淆校正

    通过强调语义特征解释和对多个混杂因素的鲁棒性，我们提出了一种人工智能方法来解决非线性模型的可视化挑战和混杂因素控制问题，并通过在合成数据集、3D 网格数据和 3D MRI 数据集上的测试，证实了该方法有效地减少混杂因素的影响，并提供独特的视觉表示，以突出与确定的相关性相关的特定图像变化。

    Oct, 2023

  • 应用于胸部 X 光片的深度学习：利用和预防快速通道

    本研究研究了深度学习应用于胸部 X 光片的自动诊断疾病方面存在的问题，提出了针对偏斜类别的解决方案，并通过简单的迁移学习方法进行了验证。

    Sep, 2020

  • 深度学习预测髋部骨折，利用混杂患者和医疗变量

    使用深度学习模型对 17,587 个 X 光片进行训练，研究了骨折的影像学特征、患者特征和医院过程特征对其影响，发现这些因素是计算机辅助诊断算法预测的主要来源，表明应该进一步研究深度学习决策过程以有效协作。

    Nov, 2018

  • 医学影像隐私保护的大规模、公平、准确训练 AI 模型

    本文旨在通过比较隐私保护性训练和非隐私训练，在胸部放射图诊断方面评估两种方法的准确性和公平性，研究发现，在隐私预算为 7.89 的情况下，DP 卷积神经网络与非私有卷积神经网络相比，在保持较高准确性的前提下，性能仅下降了 2.6% 左右，同时，隐私保护训练并不会加剧针对年龄、性别或共病的歧视。

    Feb, 2023

  • 利用神经扩散模型生成合成医学图像识别假肺部

    本文探讨使用神经扩散模型合成医学图像的可能性，结果表明扩散模型生成的图像可以翻译一些胸部 X 射线或 CT 图像中特定医学情况的特征，这是一项新的人工智能医学图像研究，展示了扩散模型在医学图像合成领域的潜力。

    Nov, 2022